🧩 Tipos de aprendizaje: supervisado vs no supervisado

En el aprendizaje automático existen diferentes tipos de problemas, según la información disponible durante el entrenamiento.

🎯 Aprendizaje supervisado

En este caso, cada dato de entrada viene acompañado de una etiqueta o respuesta deseada.

Por ejemplo:

• Una imagen con la etiqueta “zapatilla”.
• Una señal de temperatura con la indicación “falla”.
• Un correo con la clasificación “spam”.

La tarea del modelo es aprender una función que, dadas nuevas entradas similares, pueda predecir correctamente la etiqueta.

Este tipo de aprendizaje es útil para tareas como:

• Clasificación de imágenes.
• Diagnóstico médico.
• Detección de fraudes.
• Traducción automática.

🔍 Aprendizaje no supervisado

En este caso, no se entregan etiquetas al modelo. Solo se le proporciona un conjunto de datos, y el objetivo es descubrir estructura o patrones ocultos.

Por ejemplo:

• Agrupar canciones similares en Spotify sin saber su género.
• Identificar distintos patrones de consumo eléctrico.
• Detectar regiones densas de puntos en el espacio.

Una técnica clásica de este tipo es el clustering, donde la máquina intenta agrupar datos que están “cerca” unos de otros, basándose en medidas de similitud.

🧠 ¿Y cuál usaremos hoy?

Hoy trabajaremos con un algoritmo de aprendizaje no supervisado llamado K-Means, que agrupa puntos similares sin conocer sus etiquetas reales.

Este algoritmo necesita calcular el centroide de cada grupo que va formando, lo cual lo conecta directamente con lo que hemos aprendido en cálculo.